# pdf2other-project

**Repository Path**: aylerh/pdf2other-project

## Basic Information

- **Project Name**: pdf2other-project
- **Description**: 统一的 PDF 转换服务(非ocr式)，支持：PDF → DOCX / XLSX (表格提取) / 图片（ZIP） / PPTX。
- **Primary Language**: Unknown
- **License**: AGPL-3.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-19
- **Last Updated**: 2026-03-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# pdf2other-project
gitee:https://gitee.com/aylerh/pdf2other-project
镜像大小0.6G左右：ayler/pdf2other-convert
## 页面样式
### 主页
![1](./images/1.png)

## 功能
统一的 PDF 转换服务，支持：PDF → DOCX / XLSX / 图片 / PPTX / MD (文本) / MD (ZIP)。
- **PDF 转 PPTX**：(1)非全图片pdf：表格完整保留，文字按样式和布局智能还原。（2）全图片pdf；
- **PDF 转 MD (非 OCR)**：基于布局分析的高保真 Markdown 提取，支持文本模式和带图模式。
- **PDF 转 XLSX**：全自动表格识别，支持多页表格自动分 Sheet 导出。
- **自动清理**：内置后台任务，自动清理过期的临时文件。

## 优点
- **高保真还原**：非 OCR 方案，保留原始文字属性、表格结构和图片位置。
- **环境一致性**：提供完备的 Docker 镜像，开箱即用。
- **极速预体验**：首页集成预览 UI，支持直接拖拽转换。
- **针对性排版修复**：针对扫描件或 OCR PDF 常见的“大字号标题被截断”、“固定行高溢出”等痛点进行了底层参数优化与后处理自动适配。

## 缺点
- **非 OCR**：虽然进行了排版优化，但本质上仍依赖 PDF 文本层，对于无文本层的纯图片 PDF 建议先进行 OCR 预处理。
- pdf转docx速度较慢：受限于pdf2docx的性能；

## 快速开始（Docker）
1. 修改 `.env`（如需要更改端口）：
```
SERVER_PORT=8000
TEMP_DIR=/tmp/pdf_converter
DEBUG=false
```
2. 启动服务：
```bash
docker-compose up -d --build
```
3. 访问根路径查看端点（port根据SERVER_PORT）：
```
GET http://localhost:8000/
```

## 单个html访问
浏览器打开：single_html\pdf2other.html
配置好ip:port后使用；

## 本地开发（在已安装依赖的环境下）
1. 系统依赖已最小化：由 **@pdf处理** (基于 PyMuPDF) 统一接管。不再需要安装 Poppler 或 Java。
2. 创建并激活虚拟环境，安装依赖：
```bash
pip install -r requirements.txt
```
3. 运行服务：
```bash
uvicorn app.main:app --host 0.0.0.0 --port 8000
```

## 注意事项
- 本项目已由 **@pdf处理** 方案替代了 `pdf2image` 和 `tabula-py`，统一使用 **PyMuPDF (fitz)** 作为核心引擎，显著提升了转换速度且无需复杂的系统依赖。
- 临时文件默认保存在 `.env` 中的 `TEMP_DIR`，docker-compose 将其映射到 `./temp`。

## 扩展
后续计划添加：OCR (解析扫描件)、多文件合并/拆分、基于队列的异步任务处理。欢迎提出改进需求。

# 介绍
该项目构建了一个基于 **FastAPI** 的全功能 PDF 转换服务，核心目标是将静态的 PDF 文档还原为**高可编辑性**的 Office 文档。以下是其功能与技术的简要总结：

### 一、 核心功能
1.  **PDF 智能转 PPTX**：
    *   **布局还原**：自动识别 PDF 页面尺寸并同步至幻灯片。
    *   **原生表格转换**：将 PDF 表格转换为 PPT 原生 `Table` 对象，支持后期编辑。
    *   **连贯文本提取**：将破碎的 PDF 片段按行合并，并保留加粗、斜体等属性。
2.  **PDF 转 Markdown (非 OCR)**：
    *   **布局感知**：基于 `PyMuPDF4LLM`和pdf2md-no-ocr-project(即https://gitee.com/aylerh/pdf2md-no-ocr-project)，自动转换标题、列表、代码块及公式。
    *   **精准插图**：通过 Y 坐标定位，在 Markdown 中准确还原图片位置。
    *   **表格优化**：自动清理 Markdown 表格中的冗余默认表头。
3.  **PDF 转 XLSX (Excel)**：
    *   **性能飞跃**：采用 `PyMuPDF` 核心引擎，无需 Java 环境，识别速度极大提升。
    *   **多页支持**：自动识别所有页面的表格，并按 `PageX_TableY` 命名分 Sheet 存储。
4.  **PDF 转 Images/ZIP**：
    *   **指令级精简渲染**：针对复杂矢量表格优化，提速显著。
5.  **自动化环境管理**：
    *   具备临时文件后台清理协程，确保系统磁盘安全。

### 二、 核心技术栈
*   **后端框架**：**FastAPI** + **Uvicorn**。
*   **PDF 解析引擎**：
    *   **PyMuPDF (fitz)**：核心解析引擎，用于文本坐标、矢量图形及图片解析。
    *   **PyMuPDF4LLM**：专门用于高保真 Markdown 提取及 RAG 场景适配。
    *   **pdf2docx**：成熟的 Word 转换方案。
*   **文档生成库**：
    *   **python-pptx**：生成原生 PowerPoint 元素。
    *   **Openpyxl**：高效处理并生成大批量 Excel 数据。
*   **基础设施**：
    *   **Docker**：基于 `Python 3.11-slim`，预置所有系统依赖。

### 三、 关键优化点
*   **文本清洗技术**：通过正则表达式和字符串处理，剔除 PDF 原始数据中的“硬换行”，实现 PPT 单元格内的**自然自动换行**。
*   **分层解析策略**：先定位表格区域（BBox），再根据区域过滤文本，有效防止了表格内容与浮动文本框的重叠。
*   **层级构建模型**：利用 PPT 的 `Run` 对象在段落内承载不同格式，完美平衡了“文本连贯性”与“局部样式保留”。
*   **行高自适应修复 (DOCX)**：集成了 `python-docx` 后处理引擎，自动将 `pdf2docx` 转换后的“固定行高”重置为“单倍行距”，彻底解决了 OCR 识别后的 PDF 在转换时首行大标题被切掉一半的问题。

# 接口示例（使用 curl）
- PDF → DOCX
```bash
curl -X POST -F "file=@file.pdf" http://localhost:8000/convert/pdf-to-docx -o out.docx
```
- PDF → XLSX（提取表格）
```bash
curl -X POST -F "file=@file.pdf" -F "pages=all" -F "lattice=true" http://localhost:8000/convert/pdf-to-xlsx -o out.xlsx
```
- PDF → 图片（ZIP）
```bash
curl -X POST -F "file=@file.pdf" -F "format=png" http://localhost:8000/convert/pdf-to-images -o out_images.zip
```
- PDF → PPTX
```bash
curl -X POST -F "file=@file.pdf" http://localhost:8000/convert/pdf-to-pptx -o out.pptx
```
- PDF → Markdown (文本)
```bash
curl -X POST -F "file=@file.pdf" http://localhost:8000/convert/pdf-to-markdown-text -o out.md
```
- PDF → Markdown (ZIP)
```bash
curl -X POST -F "file=@file.pdf" http://localhost:8000/convert/pdf-to-markdown-zip -o out.zip
```